Intelligente Qualitätssicherung in Kunststoffspritzgussmaschinen bei Nutzung von Regranulaten (Häfner & Krullmann GmbH)

Transkript

1 Session: 2 Intelligente Qualitätssicherung in Kunststoffspritzgussmaschinen bei Nutzung von Regranulaten (Häfner & Krullmann GmbH) 10. Oktober 2017 Lemgo

2 Agenda Abschlusspräsentation Einführung Zielsetzung Resümee und Ausblick it s OWL Clustermanagement GmbH

3 Einführung Häfner & Krullmann GmbH Inhabergeführtes Familienunternehmen Hauptsitz in Leopoldshöhe zusätzlich Logistikzentrum und Produktion in Asemissen (OT von Leopoldshöhe) Export in ca. 50 Länder Umsatz 23 Mio EUR 50% Exportquote Mitarbeiter ca. 150 Spezialisiert auf Entwicklung, Konstruktion und Produktion von Kunststoffspulen Spulen für z.b. Kabel-, Draht- und andere Industrien Einweg, Mehrwegartikel, Produktionsund Verpackungsartikel Eigenentwicklungen sowie Problemlösungen für Kunden it s OWL Clustermanagement GmbH

4 Einführung Fraunhofer IOSB-INA Überblick Institutsteil für industrielle Automation des Fraunhofer IOSB MitarbeiterInnen (Stand Sept. 2017): 64 Partner im Centrum Industrial IT (CIIT) Betrieb der SmartFactoryOWL, gemeinsam mit Hochschule OWL IKT Lösungen für die Fabrik der Zukunft Geschäftsbereiche: Industrielles Internet (IoT) Intelligente Automation Assistenzsysteme Cybersicherheit in der Produktion Lemgo it s OWL Clustermanagement GmbH

5 Einführung Motivation/ Ausgangssituation für das Transferprojekt Hoher Anteil von wiederverwerteten Kunststoffen in Produktion Größere Schwankung der spezifischen Rohmaterial Eigenschaften z.b. Dichte, Viskosität Daraus folgt: Größere Schwankungen in dem Produktionsprozess und entsprechenden Auswirkungen am Produkt mit Ausschuss Nachregelaufwand bei Fügeverbindungen Ausschusskosten Motivation gleichbleibende Prozessergebnisse bei Verwendung von Regranulaten it s OWL Clustermanagement GmbH

6 Agenda Abschlusspräsentation Einführung Zielsetzung Resümee und Ausblick it s OWL Clustermanagement GmbH

7 Intelligente Qualitätssicherung in Kunststoffspritzgussmaschinen bei Nutzung von Regranulaten / KuReGra Zielsetzung Verringerung des Produktionsausschusses durch Erhöhung der Prozesssicherheit Fusion der zur Verfügung stehenden Daten, um diese für maschinelle Lernverfahren zu verwenden Modellierung des Produktionsprozesses durch maschinelle Lernverfahren Identifikation von Ursachen für Qualitätsschwankungen it s OWL Clustermanagement GmbH

8 Vorgehensweise Datenvorverarbeitung Festlegen der Datenaufnahme Vereinheitlichung der Daten Aufteilung in Testund Trainingsdatensätze Maschinelles Lernen Evaluierung masch. Lernverfahren Lernen eines Modells des Normalverhaltens Erkennen von Anomalien Ursachen für Qualitätsschwankungen Erkennen der Ursachen von Anomalien Generierung von Handlungsempfehlungen / Richtungsangaben Temperatur zu hoch it s OWL Clustermanagement GmbH

9 Agenda Abschlusspräsentation Einführung Zielsetzung Resümee und Ausblick it s OWL Clustermanagement GmbH

10 Modell des Normalverhaltens der Anlage wird mit Trainingsdaten gelernt Trainingsdaten Lernen des Normals Neue Prozessdaten werden mit dem gelernten Modell verglichen Modell des Normalverhaltens Vergleich mit Modell Testdaten Identifiziert Anomalien Ermittelt Ursachen it s OWL Clustermanagement GmbH

11 Distantz Modell des Normalverhaltens der Anlage wird mit Trainingsdaten gelernt Trainingsdaten Lernen des Normals Neue Prozessdaten werden mit dem gelernten Modell verglichen Lernen eines Schwellwerts Modell des Normalverhaltens Identifiziert Vergleich mit Modell Testdaten Anomalien Ermittelt Schwellwert Ursachen Zeit it s OWL Clustermanagement GmbH

12 Distantz Signal 3 Signal 2 Signal 1 Anomaliebereich Finden der Ursachen der Distanzabweichung Ableiten von Korrekturmaßnahmen Zeit Kein Einfluss Starker Einfluss Zeit Schwellwert Schwacher Einfluss Zeit Zeit it s OWL Clustermanagement GmbH

13 Signal 3 Signal 2 Signal 1 Anomaliebereich Finden der Ursachen der Distanzabweichung Ableiten von Korrekturmaßnahmen Zeit Kein Einfluss Ändern von Signal 2 würde zu einer Behebung der Anomalie führen Zeit Starker Einfluss Schwacher Einfluss Zeit it s OWL Clustermanagement GmbH

14 Vergleich vom Normal zu einem eingestellten Fehlerfall Fehler: Einspritzen 3mm/sec langsamer Erkannte Signale Schneckenposition Leistungsaufnahme Erkannte Signale Schneckenposition Viskositätsindex APC Kennwert Training Test it s OWL Clustermanagement GmbH

15 Vergleich vom Normal zu einem eingestellten Fehlerfall Fehler: Einspritzen 3mm/sec schneller Erkannte Signale Schneckenposition Leistungsaufnahme Training Test it s OWL Clustermanagement GmbH

16 Vergleich vom Normal zu einem eingestellten Fehlerfall Fehler: Werkzeug gefettet Fehler manifestiert sich erst nach einer Zeit Erkannte Signale Schneckenposition Viskositätsindex APC Kennwert Training Test it s OWL Clustermanagement GmbH

17 Vergleich vom Normal zu einem eingestellten Fehlerfall Fehler: Temperaturen in allen Zonen um 20 C vermindert Erkannte Signale Temperaturen in 3 Zonen Schneckenposition Leistungsaufnahme Training Test it s OWL Clustermanagement GmbH

18 Analyse von Daten aus dem laufenden Betrieb Erkannte Signale Leistungsaufnahme Schneckenposition Flanschtemperatur Annotation Anomalie it s OWL Clustermanagement GmbH

19 Distantz Distantz Ein schwellwertbasiertes Modell des Normalverhaltens wurde gelernt Anomalien werden identifiziert Basierend auf den Anomalien werden die einflussreichsten Signale ermittelt Prozessexperten können mit den identifizierten Signalen die Produktion anpassen Zeit Identifizieren und beheben der Anomalien Zeit it s OWL Clustermanagement GmbH

20 Agenda Abschlusspräsentation Einführung Zielsetzung Resümee und Ausblick it s OWL Clustermanagement GmbH

21 Resümee und Ausblick Resümee Auftretende Anomalien im Modell Korrespondieren mit tatsächlichen Prozessproblemen & Qualitätsabweichungen Herausforderungen waren Qualitätsprobleme mit Prozessdaten zu verbinden Stichprobenmessungen Datenbearbeitung immer im Rückblick Ausblick Modellnutzung Online denkbar Optischer / Akustischer Hinweis bei Anomalien Ausweisen der Handlungsempfehlungen für Facharbeiter Signalart Richtungsvorgaben it s OWL Clustermanagement GmbH

22 Vielen Dank für Ihre Aufmerksamkeit!